.png){kind=icon}
返回
Automated seed counting using image processing and deep learning
.png){kind=icon}
OA
AI
DOI：10.3389/fpls.2025.1659781.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
引言准确计数种子是农业研究和种植中的关键任务，支持作物育种、产量预测和杂草管理等活动。传统的人工计数方法虽然准确，但耗时、劳动强度大且易出错，尤其对于大量微小型种子。
方法本研究开发了一种集成到移动应用程序（app）中的两种自动化计算机视觉方法用于种子计数：一种采用图像处理（IP），另一种基于深度学习（DL）。这些方法旨在通过提供自动化、高效的选择来克服传统人工计数的局限性。
结果基于IP的方法展现出与人工计数相当的高精度，并显著节省时间。然而，其依赖受控环境条件（如均匀光照），限制了其在田间应用中的适用性。基于DL的方法在速度和可扩展性方面表现优异，每张图像的处理时间仅需0.33秒，但其精度在视觉复杂或密集聚集的种子中表现不一致。
讨论两种自动化方法均显著提升了种子计数的效率，为各类农业场景提供了实用且易获取的解决方案。将这些方法集成到移动应用中，简化了实验室研究、田间调查、种子生产和育种试验中的种子计数流程，为现代化种子计数实践提供了变革性方法，同时减少了时间和劳动成本。
Keyword:
seed counting
computer vision
mobile application
image processing
deep learning
期刊
IF:
4.8
论文数:
3.5W
被引数:
14.7W
机构
引用论文
.png){kind=icon}
Weed management challenges in modern agriculture: The role of environmental factors and fertilization strategies现代农业中的杂草管理挑战：环境因素和施肥策略的作用
PREAI
分享收藏分享收藏A Survey on the Applications of Cloud Computing in the Industrial Internet of Things云计算在工业物联网中的应用综述OAAI
OAAI分享收藏
查看更多内容